論文の概要: Comprehensive Description of Uncertainty in Measurement for Representation and Propagation with Scalable Precision

• arxiv url: http://arxiv.org/abs/2603.20365v1
• Date: Fri, 20 Mar 2026 17:43:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.867062
• Title: Comprehensive Description of Uncertainty in Measurement for Representation and Propagation with Scalable Precision
• Title（参考訳）: 拡張精度による表現・伝播計測における不確かさの包括的記述
• Authors: Ali Darijani, Jürgen Beyerer, Zahra Sadat Hajseyed Nasrollah, Luisa Hoffmann, Michael Heizmann,
• Abstract要約: 本稿では,測定システムにおける量的属性を表現・伝播するための包括的かつ計算的に抽出可能なフレームワークを提案する。 我々はガウス混合モデル(GMM)の使用を提唱する。 本稿では, 製造・測定分野, 特に円形工場における実用的応用について述べる。
• 参考スコア（独自算出の注目度）: 15.28976191799399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probability theory has become the predominant framework for quantifying uncertainty across scientific and engineering disciplines, with a particular focus on measurement and control systems. However, the widespread reliance on simple Gaussian assumptions--particularly in control theory, manufacturing, and measurement systems--can result in incomplete representations and multistage lossy approximations of complex phenomena, including inaccurate propagation of uncertainty through multi stage processes. This work proposes a comprehensive yet computationally tractable framework for representing and propagating quantitative attributes arising in measurement systems using Probability Density Functions (PDFs). Recognizing the constraints imposed by finite memory in software systems, we advocate for the use of Gaussian Mixture Models (GMMs), a principled extension of the familiar Gaussian framework, as they are universal approximators of PDFs whose complexity can be tuned to trade off approximation accuracy against memory and computation. From both mathematical and computational perspectives, GMMs enable high performance and, in many cases, closed form solutions of essential operations in control and measurement. The paper presents practical applications within manufacturing and measurement contexts especially circular factory, demonstrating how the GMMs framework supports accurate representation and propagation of measurement uncertainty and offers improved accuracy--compared to the traditional Gaussian framework--while keeping the computations tractable.
• Abstract（参考訳）: 確率論は、科学と工学の分野における不確実性を定量化する主要な枠組みとなり、特に測定と制御システムに焦点を当てている。 しかし、単純なガウスの仮定(特に制御理論、製造、測定システム)への広く依存は、多段階プロセスによる不正確な不確かさの伝播を含む複雑な現象の不完全表現と多段階の損失近似をもたらす。 本研究では,確率密度関数(PDF)を用いた測定システムにおける量的属性の表現と伝播を行う,包括的かつ計算的に抽出可能なフレームワークを提案する。 ソフトウェアシステムにおいて有限メモリが課す制約を認識し,メモリと計算との近似精度のトレードオフを調整可能なPDFの汎用近似器であるGaussian Mixture Models(GMM)の使用を提唱する。 数学と計算の両方の観点から、GMMは高い性能を実現し、多くの場合、制御と測定に不可欠な操作の閉形式解である。 本稿では, GMM フレームワークが計測の不確かさの正確な表現と伝播をどのように支援し, 従来のガウスフレームワークと比較して精度を向上するかを実証する。

関連論文リスト

• Efficient evaluation of fundamental sensitivity limits and full counting statistics for continuously monitored Gaussian quantum systems [0.0]
  一般化マスター方程式(GME)は、オープンまたは継続的に監視される量子システムの特性を計算するのに便利なツールである。 両側のマスター方程式は環境状態の忠実度と量子フィッシャー情報(QFI)をもたらす。 タイル付きマスター方程式は、量子ジャンプと拡散測定の完全なカウント統計を提供する。
  論文  参考訳（メタデータ） (2026-02-26T18:09:46Z)
• Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows [0.0]
  そこで本研究では,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論の汎用フレームワークを提案する。 本稿では,分類可能な正規化フローを導入し,体系的な変動を名目密度のパラメトリックとしてモデル化する。 我々は,単一最適化プロセスにおけるニュアンスパラメータに対するDoIの条件依存を学習する償却訓練戦略を開発する。 これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。
  論文  参考訳（メタデータ） (2026-02-13T18:48:12Z)
• Neural Quantum States in Mixed Precision [1.424507155580441]
  変分モンテカルロ(VMC)における混合精度算術の役割について検討する。 VMCは計算に難解な量子多体系を解くのに広く使われている方法である。 特に量子状態のサンプリングは,精度を損なうことなく,半精度で行うことができることを示す。
  論文  参考訳（メタデータ） (2026-01-28T17:15:58Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Assessing the Probabilistic Fit of Neural Regressors via Conditional Congruence [2.13382635602206]
  このミスアライメントを測定するための既存のアプローチは、主にキャリブレーションの枠組みの下で開発されている。 本稿では,CCE(Congruence Error)という,学習した予測分布とデータセット内の経験的条件分布との間の距離を,条件付きカーネルの平均埋め込みを用いて推定する手法を提案する。 我々は高次元回帰タスクを行い、CCEが4つの重要な特性を示すことを示す: $textitcorrectness$, $textitmonotonicity$, $textitreliability$, $textitrobustness$。
  論文  参考訳（メタデータ） (2024-05-20T23:30:07Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Tight Cram\'{e}r-Rao type bounds for multiparameter quantum metrology through conic programming [61.98670278625053]
  最適な精度で不整合パラメータを推定できる実用的な測定戦略が最重要である。 ここでは、最適精度で非相関な測定方法を見つけるための具体的な方法を示す。 従来の計算可能境界と最終的な精度境界との間には厳密なギャップがあることを数値的に示す。
  論文  参考訳（メタデータ） (2022-09-12T13:06:48Z)
• Generalized Sliced Distances for Probability Distributions [47.543990188697734]
  我々は、一般化スライス確率測定(GSPM)と呼ばれる、幅広い確率測定値の族を紹介する。 GSPMは一般化されたラドン変換に根付いており、ユニークな幾何学的解釈を持つ。 GSPMに基づく勾配流を生成モデル応用に適用し、軽度な仮定の下では、勾配流が大域的最適に収束することを示す。
  論文  参考訳（メタデータ） (2020-02-28T04:18:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。